Les poids sont-ils ouverts et puis-je l’exécuter localement ?

Oui, les poids sont sur Hugging Face à deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek fournit un code de démonstration d’inférence ainsi que des images Docker pour SGLang sur matériel H200, MI350 et NPU, mais à 671 milliards de paramètres, vous aurez besoin d’une capacité multi-GPU importante.

Quel est le coût et quelle est la taille de la fenêtre de contexte ?

Via API, la tarification est de 0,27 $ par million de tokens d’entrée et 0,41 $ par million de tokens de sortie, avec une fenêtre de contexte de 163 840 tokens.

En quoi V3.2 Exp diffère-t-il de V3.1 ?

La principale nouveauté est DeepSeek Sparse Attention, un changement architectural visant l’efficacité sur long contexte plutôt que des gains bruts de précision ; les scores de benchmark sont à peu près équivalents à V3.1, c’est donc une version axée sur l’infrastructure, pas une montée en capacité.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #raisonnement #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

DeepSeek | contexte de 163 840 tokens | 0,27 $/M entrée, 0,41 $/M sortie. DeepSeek-V3.2-Exp est un modèle de langage large expérimental publié par DeepSeek comme étape intermédiaire entre V3.1 et les architectures futures. Il introduit DeepSeek Sparse Attention (DSA), un mécanisme d'attention parcimonieuse fine conçu pour améliorer l'efficacité de l'entraînement et de l'inférence dans les scénarios à contexte long tout en maintenant la qualité de sortie. Les utilisateurs peuvent contrôler le comportement de raisonnement avec le booléen reasoning enabled. En savoir plus dans nos docsOpens in…DeepSeek | contexte de 163 840 tokens | 0,27 $/M entrée, 0,41 $/M sortie. DeepSeek-V3.2-Exp est un modèle de langage large expérimental publié par DeepSeek comme étape intermédiaire entre V3.1 et les architectures futures. Il introduit DeepSeek Sparse Attention (DSA), un mécanisme d'attention parcimonieuse fine conçu pour améliorer l'efficacité de l'entraînement et de l'inférence dans les scénarios à contexte long tout en maintenant la qualité de sortie. Les utilisateurs peuvent contrôler le comportement de raisonnement avec le booléen reasoning enabled. En savoir plus dans nos docsOpens in new tab Le modèle a été entraîné dans des conditions alignées avec V3.1-Terminus pour permettre une comparaison directe. Les benchmarks montrent des performances à peu près équivalentes à V3.1 sur les tâches de raisonnement, codage et utilisation d'outils agentiques, avec des compromis et gains mineurs selon le domaine. Cette version se concentre sur la validation des optimisations architecturales pour des longueurs de contexte étendues plutôt que sur l'amélioration brute de la précision des tâches, en faisant principalement un modèle orienté recherche pour explorer des conceptions de transformeurs efficaces.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

DeepSeek V3.2 Exp est une version expérimentale de DeepSeek située entre V3.1 et la prochaine version, construite principalement pour valider un nouveau mécanisme d’attention sparse appelé DeepSeek Sparse Attention (DSA). Ses performances sont à peu près équivalentes à V3.1 sur les tâches de raisonnement, codage et agentiques. Il convient aux chercheurs et développeurs souhaitant tester une inférence efficace sur long contexte, ou simplement disposer d’un modèle de pointe capable à faible coût par token.

Connu pour

DeepSeek Sparse Attention (DSA) améliore l’efficacité de l’entraînement et de l’inférence sur long contexte.
Performances équivalentes à V3.1 sur les benchmarks de raisonnement, codage et agentique.
Mode raisonnement activable pour contrôler le comportement de réflexion.
Poids ouverts disponibles sur Hugging Face ; fonctionne via SGLang ou vLLM.
Tarification sortie sous 0,50 $/M tokens, bien en dessous de la plupart des rivaux de pointe.

Attention à

Il s’agit d’une version expérimentale de validation d’architecture, pas d’une amélioration générale des capacités par rapport à V3.1.
L’exécution locale nécessite un matériel multi-GPU sérieux ; l’échelle 671B n’est pas adaptée aux portables.
Un bug d’implémentation RoPE a affecté le code d’inférence antérieur ; utilisez la version mise à jour du dépôt.

Idéal pour

Raisonnement

Programmation

Agents et utilisation d'outils

Contexte long

Fonctionne localement

Prompts à essayer

Problème de codage compétitif

Résolvez ce problème de programmation compétitive et expliquez votre approche étape par étape. Étant donné un tableau de n entiers, trouvez la longueur du plus long sous-tableau dont la somme des éléments est divisible par k. Contraintes : n jusqu’à 100 000, k jusqu’à 1 000, valeurs entre -10^9 et 10^9. Fournissez un code Python fonctionnel et analysez la complexité temporelle.

Plan agent multi-étapes

Vous planifiez un pipeline de recherche automatisé. Un utilisateur souhaite surveiller quotidiennement un ensemble de 20 flux RSS académiques, dédupliquer les articles par similarité de titre, scorer chaque article pour sa pertinence à « attention sparse dans les transformers », et envoyer un digest classé par email. Décrivez les appels d’outils et la logique décisionnelle qu’un agent utiliserait, étape par étape, y compris la gestion des erreurs.

Puzzle de raisonnement difficile

Cinq ingénieurs possèdent chacun un modèle d’IA différent, boivent une boisson différente et travaillent dans une ville différente. Utilisez ces indices pour déterminer qui possède le modèle à attention sparse : l’ingénieur à Berlin boit un espresso ; l’utilisateur de vLLM est immédiatement à gauche du buveur d’espresso ; l’ingénieur qui boit du thé vert possède le modèle MoE ; l’ingénieur à Tokyo ne boit pas d’eau ; le propriétaire du modèle à attention sparse boit du café. Montrez toute votre chaîne de raisonnement.

Comparer avec

DeepSeek V4.1 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
DeepSeek V4 Flash 0731
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.01/M, sortie $1.28/M
DeepSeek V4 Flash 0423
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.09/M, sortie $0.18/M
DeepSeek V4 Pro 0813
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $1.32/M, sortie $3.96/M

Plus de modèles de texte de deepseek

Questions fréquentes

Les poids sont-ils ouverts et puis-je l’exécuter localement ?: Oui, les poids sont sur Hugging Face à deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek fournit un code de démonstration d’inférence ainsi que des images Docker pour SGLang sur matériel H200, MI350 et NPU, mais à 671 milliards de paramètres, vous aurez besoin d’une capacité multi-GPU importante.
Quel est le coût et quelle est la taille de la fenêtre de contexte ?: Via API, la tarification est de 0,27 $ par million de tokens d’entrée et 0,41 $ par million de tokens de sortie, avec une fenêtre de contexte de 163 840 tokens.
En quoi V3.2 Exp diffère-t-il de V3.1 ?: La principale nouveauté est DeepSeek Sparse Attention, un changement architectural visant l’efficacité sur long contexte plutôt que des gains bruts de précision ; les scores de benchmark sont à peu près équivalents à V3.1, c’est donc une version axée sur l’infrastructure, pas une montée en capacité.

Verdict du capitaine
Un banc d’essai architectural de niveau recherche qui offre des performances de pointe et coûte presque rien à interroger.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Llama 3.3 70B Instruct

Voxtral Small 24B 2507

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

DeepSeek V3.2 Exp est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm deepseek raisonnement programmation agents contexte long local

Parcourir par famille de modèles